arXiv来源发表:
高阶相互作用重建不再对含噪轨迹求导:IntegralPINN改用区间积分残差,社会传播Macro-AUC达0.730
核心概要
从含噪、稀疏的时间序列里还原网络中的高阶相互作用,一直受制于微分残差对噪声的放大。IntegralPINN把物理约束改写为时间区间上的积分残差,并用有界可学习张量连续参数化相互作用结构,与神经轨迹代理联合优化。在生态、社会传播与神经元同步三类系统中,其Macro-AUC在含噪观测下高于HyperPINN等对照方法,社会传播一例为0.730对0.585。
深度剖析
高阶相互作用的重建不再依赖对含噪轨迹求时间导数,而是用时间区间上的积分残差来约束动力学一致性。 此前的HyperPINN等物理信息神经网络通过惩罚微分残差来匹配状态导数,而由含噪离散观测拟合出的代理轨迹在求导时会放大高频误差。 在生态种群、社会传播与神经元相位同步三类系统上,IntegralPINN的Macro-AUC均高于HyperPINN、核方法、THIS与integral SINDy;社会传播一例中IntegralPINN为0.730,HyperPINN为0.585。
系统状态由神经网络代理给出连续轨迹,高阶相互作用张量则作为有界可学习参数与轨迹一起做梯度优化。 积分残差把导数匹配换成区间内的状态增量与积分向量场,从而避开显式求导,并允许二元观测用交叉熵损失接入。 实验覆盖连续观测的生态动力学、300个二元快照的社会传播过程,以及30个节点、慢相位含至五阶单纯形相互作用的多层Kuramoto网络。
启示与展望
验证范围限于小到中等规模的仿真系统:生态种群、社会传播与30节点神经元同步网络,且假定节点动力学与高阶相互作用函数形式已知。
理论误差界是在代理拟合准确、积分窗口满足激励条件等假设下给出的,且分析固定了代理与窗口长度,未计入有界参数化、稀疏正则与联合优化;窗口过长会削弱激励条件,因此积分形式并非在所有情形下都优于微分形式。
